Intelligenza Artificiale 07-08

forse ho fatto casino con i messaggi!!

Comunque le variabili sono C:/chaos/chaosparser
e poi ovviamente quelle con \lib.. adesso sembra funzionare

Per ritrovare le etichette nei file html ho usato i riferimenti xpointer contenuti nei file xml. Ci sono però dei problemi con i seguenti percorsi:

/html[1]/body[1]/div[1]/div[1]/div[1]/div[2]/div[4]/div[1]/div[2]/table[1]/tbody[1]/tr[8]/td[5]/a[2]

e con

/html[1]/body[1]/div[1]/div[1]/div[1]/div[2]/div[4]/div[1]/div[2]/p[1]/font[1]

Cioè nel primo percorso c'è tbody che però non è mai presente nel file html e nel secondo c'è font che sistematicamente non è presente nel file html.

Allora vorrei chiedervi una regex in java che dato

/html[1]/body[1]/div[1]/div[1]/div[1]/div[2]/div[4]/div[1]/div[2]/table[1]/tbody[1]/tr[8]/td[5]/a[2]

restituisca

/html[1]/body[1]/div[1]/div[1]/div[1]/div[2]/div[4]/div[1]/div[2]/table[1]/tr[8]/td[5]/a[2] (si deve escludere tbody)

ma il problema è tbody in questo determinato percorso o in generale?
nel senso se fai una regex che semplicemente elimina tbody da tutto il file xml non va bene?

Ragazzi io brancolo un pò nel buio...per ora ho fatto il classico Html to text che mi ripulisce il file html da tutti i tag e lo porta in txt, ma adesso non so bene che strada prendere...voi come siete orientati?

io dopo quello ho fatto il tokenizer in java, che prende il txt e lo ripulisce da tutti i caratteri non-ascii, e in più separa le parole... and next step is...?

Che intendi per separare le parole? tipo metterle su righe diverse? oppure separarle con qualche separatore?
Ma sopratutto...perchè bisogna separarle? voglio dire chaos non funziona lo stesso con un testo semplice in txt?

username_ ha scritto:

io dopo quello ho fatto il tokenizer in java, che prende il txt e lo ripulisce da tutti i caratteri non-ascii, e in più separa le parole... and next step is...?

Next step : Creare il gold standard se non lo hai ancora fatto...altrimenti segmentatore....